3. 偏差类型学

医学影像人工智能的公平性问题很少由单一原因造成。一个模型在某个亚组上表现不佳，往往可以追溯到数据进入系统到模型投入使用的多个环节。偏差类型学的价值在于：把“模型不公平”这一笼统结论拆解为可定位、可测量、可干预的具体来源。按照医学影像AI的生命周期，偏差主要分为四类：数据偏差（采集与队列构成）、标签偏差（标注与金标准）、算法偏差（建模与优化目标）、部署偏差（上线环境与使用方式）。四者并非独立，而是沿数据流逐级传递、相互放大。

一、数据偏差：谁被拍进了数据集

数据偏差发生在影像进入数据集之前或之时，核心问题是“样本能否代表目标人群”。在医学影像中，它有几个典型表现。

采集设备与参数偏差。不同厂商的CT、MRI、超声设备在重建算法、噪声特性、灰度映射上存在系统差异。例如同一批胸部CT，A院使用某厂商的迭代重建，B院使用滤波反投影，肺结节的边缘锐利度和纹理统计量会明显不同。若训练集90%来自A院设备，模型可能把“设备指纹”当作诊断线索，在B院数据上性能骤降。

人群构成偏差。公开数据集常存在人口学失衡。以某公开胸片数据集为例，若女性比例不足30%、少数族裔样本稀少，模型在女性或特定族裔上的敏感度可能显著低于总体。更隐蔽的是患病率偏差：某亚组在训练集中阳性率极低，模型倾向于对该组一律判阴，导致漏诊率升高。

采集流程偏差。体位、呼吸相、对比剂时相、扫描层厚等操作差异会引入非生物学变异。例如冠脉CTA若在心率控制不佳时采集，运动伪影会被模型误学为病变特征。

二、标签偏差：金标准并不总是“金”

标签偏差来自标注过程与参考标准，直接影响模型学习的目标。医学影像中常见三类。

标注者间差异与系统性偏好。不同放射科医师对同一病灶的勾画边界、良恶性判断可能不一致。若标注团队以某一年资层级或某一学派为主，其判断习惯会被固化进标签。例如肺结节分割中，有的医师倾向紧贴结节边缘，有的包含周围磨玻璃成分，模型学到的“结节”定义随之偏移。

参考标准偏差。当金标准来自活检、随访或临床诊断时，不同亚组的验证强度可能不同。若某亚组更多依赖临床诊断而非病理，标签噪声在该组更高，模型在该组的表现被系统性低估或高估。

标签泄漏与捷径。标签中可能混入与疾病无关的信息。例如某数据集的阳性病例多来自特定病房，影像角落的标记、体位或设备水印与标签相关，模型会走“捷径”，在真实场景中失效。

三、算法偏差：优化目标与建模选择引入的不公平

即使数据与标签相对均衡，算法本身仍可能放大或制造偏差。

损失函数与阈值选择。标准交叉熵优化总体准确率，当亚组样本量悬殊时，模型会优先拟合多数组。部署时若使用统一阈值，少数组的敏感度/特异度平衡可能被牺牲。例如总体AUC 0.92，但某亚组在固定阈值下敏感度仅0.65。

特征与架构的归纳偏置。卷积网络的局部性、下采样等特性，可能对某些成像模态或病灶尺度不友好。若模型过度依赖纹理而忽略形状，在纹理受设备影响的亚组上更易出错。

训练策略与正则化。早停、数据增强、类别重加权等选择会改变各组的学习程度。若增强策略未考虑不同设备的噪声分布，可能加剧域偏移。

四、部署偏差：上线之后才暴露的不公平

部署偏差发生在模型进入临床工作流之后，常被忽视却影响最大。

域偏移。训练数据来自三甲医院，部署到基层医院时，设备、人群、疾病谱均不同，性能下降在不同亚组间不均匀。

使用方式偏差。模型输出被不同年资医师采纳的程度不同，或仅在特定班次、特定科室使用，导致实际受益人群与预期不符。

反馈回路。模型建议影响后续检查与标注，若被模型判阴的患者不再复查，其真实结局无法进入再训练数据，偏差被固化。

五、四类偏差的关联与排查顺序

四类偏差并非并列关系，而是沿“采集→标注→建模→部署”形成一条传递链。数据偏差决定模型“看到谁”，标签偏差决定模型“学什么”，算法偏差决定模型“偏向谁”，部署偏差决定“谁真正受益”。上游偏差会被下游环节放大：例如训练集中某设备样本稀少（数据偏差），标注时该设备影像的病灶边界更模糊（标签偏差），模型在优化时进一步忽略该亚组（算法偏差），最终部署到该设备为主的科室时性能崩塌（部署偏差）。

实际排查时，建议采用逆向定位策略：先确认部署环境与训练环境的分布差异，再回溯标签质量与队列构成，最后检查优化目标与阈值策略。每一步都应输出亚组分层指标，而非仅看总体指标。只有把偏差拆解到具体阶段，才能选择对应的干预手段——重采样、重新标注、重加权、阈值分组校准或持续监测。